Time-Frequency Transformation Technique with Various Mother Wavelets for DC Fault Analysis in HVDC Transmission Systems
Notice bibliographique
Résumé
HVDC transmission has become a cost-effective option for transferring high voltage over greater distances. Protecting an HVDC transmission line is more challenging than protecting an AC transmission line due to its low impedance and absence of zero crossing DC current. Power electronic devices have finite overload capability, and standard relays are ineffective for HVDC line protection. Heavy current is generated by DC faults in HVDC (T/L), hence it is necessary to treat DC line faults in short, medium, and long HVDC (T/L) systems with different fault resistance. It is crucial to research fault detection methods based on time-frequency analysis by choosing appropriate algorithms using various (MW) methodologies for short, medium, and long HVDC transmissions at various fault resistances in order to protect the HVDC system. In this work, we examine how the length of an HVDC transmission line and fault resistance at both sides (inverter and rectifier) affects the selection of suitable mother wavelets for DC fault, using mean parameter and time-frequency transformation. SimPower System of Matlab is used to evaluate the impact of HVDC transmission line length and fault resistance on the selection of suitable mother wavelets. Simulation results show that Coif3 is an ideal wavelet for fault detection in medium transmission lines at different fault resistances. On the other hand, Rbio3.1 is more suitable for fault detection in long transmission lines at various fault resistances. For short and medium HVDC transmission lines, different mother wavelets were found to be suitable at different fault resistances. Therefore, it is essential to carefully consider the specific characteristics of the transmission line and the fault scenario when selecting a mother wavelet for accurate fault location.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».